本文章的所有代码和相关文章, 仅用于经验技术交流分享,禁止将相关技术应用到不正当途径,滥用技术产生的风险与本人无关。
本文章是自己学习的一些记录。
爬取豆瓣top 250
现在的很多学习的教程例子都是爬取豆瓣影评、排名这类典型的案例
最近在学习爬虫的过程中正好自己重新温习一下学习的内容,爬取豆瓣top250,并且自己写了将海报图片爬取下来保存到本地。
开始
就像是之前我写几篇博客中那样进行爬取,爬取豆瓣top 250是分页的一个爬取 和我之前写的boss那个类似
直接上源码
#coding=utf-8
import re
import requests
import json
from lxml import etree
import time
import os
def get_page(url):
#定义请求头
try:
headers={
'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36'
}
#发起请求
res=requests.get(url=url,headers=headers)
#判断请求是否成功
if res.status_code==200:
print("请求成功!")
response=res.content.decode("utf-8")
return response
except:
return None
def parse_data(html):
#使用xpath进行数据解析
html=etree.HTML(html)
title_data=html.xpath('//div[@class="hd"]//a//span[1]//text()')
estimate_score=html.xpath('//div[@class="star"]//span[2]//text()')
paming_data=html.xpath('//div[@class="item"]//div//em//text()')
image=html.xpath('//div[@class="pic"]//a//img/@src')
infor_data=html.xpath('//p[@class=""]//text()')
datalist=list(zip(title_data,estimate_score,paming_data,image,infor_data))
datamore=[{"电影名称":i[0],"评分":i[1],"排名":i[2],"电影海报地址":i[3],"电影简介信息":i[4]} for i in datalist]
for a in datamore:
print(a)
with open("./douban.json", 'a+', encoding='utf-8') as f:
f.write(json.dumps(a,ensure_ascii=False))
f.write("\n")
def download_image(html):
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36'
}
html=etree.HTML(html)
urls =html.xpath('//div[@class="pic"]//a//img/@src')
for url in urls: # 拿到每张图片的下载地址
time.sleep(1) # 避免大规模访问 导致网站崩
file_name = url.split("/")[-1] # 图片的名字可以使用split('/')[-1]
response = requests.get(url, headers=headers) # 这个是请求图片
dir_name='./haobao'
if not os.path.exists(dir_name):
os.mkdir(dir_name)
with open(dir_name + "/" + file_name, "wb") as f: # 加/是为了体现目录的替换
f.write(response.content)
def main(num):
#定义url
url=f'https://movie.douban.com/top250?start={num}'
#调用请求函数
html=get_page(url)
if html:
#调用解析函数,和下载函数
parse_data(html)
download_image(html)
if __name__=="__main__":
for i in range(10):
print(f"正在爬取第{i}页数据")
main(i*25)
time.sleep(2)
这里的基本思路还是先进性定义主函数,进行请求和解析 使用xpath对数据进行解析 google浏览器有一个XPath Helper这个插件也很好用
可以安装这个插件,直接在网页上进行xpath的操作:
例如这样的操作 有固定的语法 可以去学习一下xpath的基本语法就可以
我爬取的是按照电影名称、评分、排名、电影海报地址、电影简介信息进行爬取,爬取后保存为json文件。
在这里有一个问题是我上篇博客遇到的 这里我找到了解决的方法,就是写入json文件的时候乱码 是因为之前没有加参数,加了参数后就正常显示了:
with open("./douban.json", 'a+', encoding='utf-8') as f:
f.write(json.dumps(a,ensure_ascii=False))
f.write("\n")
就是 f.write(json.dumps(a,ensure_ascii=False))的第二个参数,ensure_ascii=False加上之后就不需要去找json文件格式的解析和转换了
爬取结果
这是打印出爬取的结果,因为每页有25条数据,共10页
爬取后的数据写入json文件保存:
这里一共是250条数据
爬取海报图片
因为找到了海报的图片地址,我就想着把这些海报也都爬取下来。于是写了一个函数download_image():
def download_image(html):
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36'
}
html=etree.HTML(html)
urls =html.xpath('//div[@class="pic"]//a//img/@src')
for url in urls: # 拿到每张图片的下载地址
time.sleep(1) # 避免大规模访问 导致网站崩
file_name = url.split("/")[-1] # 图片的名字可以使用split('/')[-1]
response = requests.get(url, headers=headers) # 这个是请求图片
dir_name='./haobao'
if not os.path.exists(dir_name):
os.mkdir(dir_name)
with open(dir_name + "/" + file_name, "wb") as f: # 加/是为了体现目录的替换
f.write(response.content)
图片的名字是按照地址的[-1]索引位置进行设置的:
最终将250张海报图片爬取下来,保存至本地:
继续学习